DifficileChoix unique

Question d'entraînement AIF-C01

Exhibit

{
  "pre_training_bias_metrics": {
    "dpl": {
      "value": 0.15,
      "threshold": 0.1
    },
    "class_imbalance": {
      "value": 0.3,
      "threshold": 0.5
    },
    "label_imbalance": {
      "value": 0.4,
      "threshold": 0.6
    }
  }
}

Reportez-vous à l'exposition. Un data scientist exécute SageMaker Clarify sur un jeu de données d'entraînement et reçoit la sortie JSON ci-dessus. Quelle métrique de biais dépasse son seuil ?

Choisissez la meilleure réponse.

Bonne réponse

  • ADPL

Explication

La sortie JSON montre DPL (Demographic Parity Difference) = 0.15, ce qui dépasse le seuil couramment utilisé de 0.10. DPL mesure la différence de probabilité d'un résultat favorable entre les groupes avantagés et désavantagés ; une valeur supérieure à 0.10 indique un biais significatif. Les autres métriques (Label Imbalance = 0.05, Class Imbalance = 0.02) sont inférieures à leurs seuils respectifs, de sorte que seule la métrique DPL déclenche la violation.

Pourquoi chaque option est juste ou fausse

A

Juste

DPL

Dans les rapports de biais de SageMaker Clarify, le dépassement de son seuil configuré par la métrique Difference in Positive Proportions in Labels (DPL) signale la plus grande disparité entre les facettes. Cette infraction identifie DPL comme la métrique échouant à respecter sa limite acceptable.

B

Fausse

Label Imbalance

La valeur de déséquilibre des étiquettes de 0.4 est inférieure au seuil de 0.6.

C

Fausse

Class Imbalance

La valeur de déséquilibre des classes de 0.3 est inférieure au seuil de 0.5.

D

Fausse

Toutes les métriques dépassent les seuils

Seul DPL dépasse le seuil ; le déséquilibre des classes et des étiquettes est dans les limites.

Pour aller plus loin

DPL est calculé comme P(Y=1|A=avantagé) - P(Y=1|A=désavantagé), où Y est le résultat favorable. SageMaker Clarify utilise un seuil par défaut de 0.10 pour DPL, mais celui-ci peut être ajusté en fonction des exigences du domaine. En pratique, même un petit DPL peut indiquer un biais systématique dans les prédictions du modèle, en particulier lorsque le jeu de données comporte des attributs sensibles tels que la race ou le genre, et le dépassement du seuil déclenche un besoin de techniques d'atténuation des biais telles que la pondération ou la suppression contradictoire (adversarial debiasing).

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AIF-C01 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.